Articles
<![CDATA[Strategi Promosi Penerapan Data Mining Mahasiswa Baru Dengan Metode K-Means Clustering ]]>
<![CDATA[Agneresa Agneresa]]>;
<![CDATA[April Lia Hananto]]>;
<![CDATA[Shofa Shofiah Hilabi]]>;
<![CDATA[Agustia Hananto]]>;
<![CDATA[Tukino Tukino]]>
<![CDATA[ Dirgamaya: Jurnal Manajemen dan Sistem Informasi Vol. 2 No. 2 (2022): Dirgamaya : Jurnal Manajemen dan Sistem Informasi ]]>
Publisher : <![CDATA[LPPM STMIK Rosma ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.35969/dirgamaya.v2i2.275
<![CDATA[Kegiatan penerimaan mahasiswa sudah menjadi kebiasaan tahunan bagi perguruan tinggi seperti Universitas Buana Perjuangan yang diadakan setiap tahun ajaran baru. Banyaknya data yang dihasilkan melalui proses ini dapat menjadi sumber informasi baru bagi perguruan tinggi yang dapat dimanfaatkan untuk menentukan strategi promosi yang efisien dan spesifik. Pada penelitian ini, teknik Clustering dan algoritma K-Means digunakan dalam proses Data Mining. Data dalam penelitian ini menggunakan data penerimaan mahasiswa baru tahun ajaran 2020/2021 yang berjumlah 2479 pendaftar dengan atribut seperti jenis kelamin, asal sekolah, asal jurusan, dan program studi yang dipilih. Penelitian ini menggunakan perangkat lunak RapidMiner untuk implementasi. Davies Bouldin Index digunakan untuk mencari jumlah Cluster yang optimal kemudian menghasilkan 2 Cluster. Cluster 1 sebagai cluster minat tinggi berjumlah 1945 data dengan persentase sebesar 78,82%. karakteristik cluster 1 didominasi oleh mahasiswa yang berasal dari SMA Negeri 52% dan SMK Swasta 21% Prodi yang paling banyak dipilih yaitu Manajemen sebanyak 22%. Cluster 2 sebagai cluster minat rendah berjumlah 525 data dengan persentase sebesar 21,18% mempunyai karakteristik yang didominasi oleh mahasiswa berasal dari SMK Negeri 48% dan SMK Swasta 45% program studi yang paling mendominasi pada cluster yaitu Prodi Manajemen 25% dan Teknik Industri 24%. Penelitian ini menghasilkan pola yang menarik sebagai sumber informasi baru untuk menentukan strategi promosi yang lebih efektif dan tepat sasaran dalam mempromosikan setiap program studi sehingga dapat meningkatkan jumlah calon pendaftar mahasiswa baru di tahun berikutnya.]]>
<![CDATA[Analisis Sentimen Relokasi Ibukota Nusantara Menggunakan Algoritma Naïve Bayes dan KNN ]]>
<![CDATA[Syahril Dwi Prasetyo]]>;
<![CDATA[Shofa Shofiah Hilabi]]>;
<![CDATA[Fitri Nurapriani]]>
<![CDATA[ Jurnal KomtekInfo Vol. 10 No. 1 (2023): Komtekinfo ]]>
Publisher : <![CDATA[Universitas Putra Indonesia YPTK Padang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.35134/komtekinfo.v10i1.330
<![CDATA[Pemindahan serta pembangunan Ibu Kota Negara Nusantara pada masa Presiden Bapak Ir. H. Joko Widodo akan direlokasi secara bertahap dari tahun 2024 hingga 2045. Dengan hal ini tersebut maka menjadi sebuah perbincangan dan mengundang banyak reaksi, terutama bagi masyarakat Indonesia. Persoalan dalam Pemindahann Ibu Kota Negara merupakan hal yang sensitif sehingga ramai diperbincangkan di media sosial termasuk Twitter. Pada dasarnya media sosial digunakan untuk menyampaikan pendapat atau sebuah ekspresi. Pemanfaatan media sosial ini tentunya menjadi layanan dan fasilitas yang dapat dimanfaatkan untuk sebuah isu politik atau hal-hal yang sedang dibahas. Maka dari itu penelitian ini bertujuan untuk melakukan analisis sentimen masyarakat Indonesia terhadap pemindahan Ibu Kota Nusantara. Dalam penelitian ini metode yang digunakan adalah Naïve Bayes (NB) dan K-Nearest Neighbor (KNN). Hasil penelitian menyajikan hasil komparasi kinerja metode tersebut bahwa metode Naïve Bayes memberikan tingkat akurasi analisis sentimen sebesar 82.27%, nilai Precision sebesar 86.36% dan nilai Recall sebesar 76.93%. Kinerja metode KNN juga menyajikan hasil analisis dengan tingkat akurasi sebesar 88,12%, Precision sebesar 93.%98 dan nilai recall sebesar 81.53%. Berdasarkan hasil analisis tersebut maka proses analisis menggunakan metode KKN mengungguli metode NB dalam mengukur sentimen terhadap pemindahan Ibu Kota Nusantara.]]>
<![CDATA[SISTEM REKOMENDASI BUKU DENGAN METODE K-NEAREST NEIGHBOR (K-NN) PADA GRAMEDIA ]]>
<![CDATA[Hafizh Dharmawan]]>;
<![CDATA[Tukino]]>;
<![CDATA[Shofa Shofiah Hilabi]]>;
<![CDATA[Ismi Karniawulan]]>
<![CDATA[ ZONAsi: Jurnal Sistem Informasi Vol. 5 No. 1 (2023): Publikasi artikel ZONAsi: Jurnal Sistem Informasi Periode Januari 2023 ]]>
Publisher : <![CDATA[Universitas Lancang Kuning ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.31849/zn.v5i1.12203
<![CDATA[Sistem rekomendasi merupakan cara yang efektif untuk membantu pengguna mencari buku yang sesuai dengan preferensinya. Sistem ini menggunakan algoritma K-Nearest Neighbor Ball tree untuk mengidentifikasi buku yang paling mirip dengan buku yang dipilih oleh pengguna dan merekomendasikan buku tersebut kepada pengguna. Metode K-Nearest Neighbor Ball tree membutuhkan banyak data untuk menghasilkan hasil yang akurat. Data ini mencakup informasi tentang buku-buku toko buku Gramedia, seperti judul, peringkat, pengarang, kategori, dan lain-lain. Sistem ini menggunakan metode K-Nearest Neighbor Ball tree dengan Google Colab untuk mengklasifikasikan dataset buku dan membuat rekomendasi berdasarkan minat pengguna. Hasilnya adalah rekomendasi buku dengan uji presisi 80% yang menunjukkan bahwa sistem ini efektif dalam menyarankan buku yang sesuai dengan minat pengguna.]]>
<![CDATA[PENENTUAN STATUS GIZI BALITA DENGANMENGGUNAKAN METODESIMPLE ADDITIVE WEIGHTING (SAW) ]]>
<![CDATA[Shofa Shofiah Hilabi]]>;
<![CDATA[Mamang Jhulianawati]]>
<![CDATA[ JURNAL BUANA PENGABDIAN Vol 5 No 1 (2023): JURNAL BUANA PENGABDIAN ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat, Universitas Buana Perjuangan Karawang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.36805/jurnalbuanapengabdian.v5i1.3961
<![CDATA[Masalah gizi di Indonesia masih banyak ditemukan di berbagai daerah. Berdasarkan hasil data Puskesmas Teluk jambe pada Oktober 2022 diperoleh informasi pelaporan gizi balitayaitu 702 balita dimana 0,18% balitamengalami gizi buruk, 4,4% balita mengalami gizi buruk dan 1,9% balita mengalami gizi lebih banyak. Saat ini, dalam menentukan statusgizi balita, petugas Puskesmas Telukjambe menggunakan antropometri menurutpetugas Puskesmas, hasil penentuan status gizi dengan antropometri terlalu banyak opsional status gizi. Sehingga dengan hal tersebut, perlu adanya Decision Support System berbasis website untuk membantu petugas Puskesmas dalam menentukan status gizi balita secaralebih spesifik. Sistem ini dibuat menggunakanmetode Simple Additive Weighting (SAW) dan sistem ini dirancang menggunakan bahasa pemrograman php dan Php_myadmin sebagai database. Hasil dari desain aplikasi yang telah dibuat dan pengujian sistemBlackbox yang dilakukan adalah untuk menunjukkan bahwa aplikasi dan pengujian berjalan dengan baik dansesuai dengan yang diharapkan.]]>
<![CDATA[Implementasi K-Means dan K-Nearest Neighbors pada Kategori Siswa Berprestasi ]]>
<![CDATA[Tyas Widyanti]]>;
<![CDATA[Shofa Shofiah Hilabi]]>;
<![CDATA[Agustia Hananto]]>;
<![CDATA[Tukino]]>;
<![CDATA[Elfina Novalia]]>
<![CDATA[ Jurnal Informasi dan Teknologi 2023, Vol. 5, No. 1 ]]>
Publisher : <![CDATA[SEULANGA SYSTEM PUBLISHER ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.37034/jidt.v5i1.255
<![CDATA[Penelitian ini menggunakan metode K-Means dan K-NN untuk menentukan siswa berprestasi serta mengkelompokan data menjadi suatu kumpulan data sehingga memperoleh cara menentukan tingkatan siswa beprestasi dengan kategori rendah, cukup, dan tinggi. Setelah menentukan kategori maka bisa dilakukan konsentrasi bimbingan belajar untuk kelas XII khusunya untuk siswa dan siswi yang tedapat pada kategori rendah diharapkan bisa diperhatikan secara khusus guna menciptakan lulusan terbaik di Smkn 3 Karawang.Teknik pengolahan data pada penelitian ini menggunakan perhitungan komputerisasi K-Means dan K-NN yang diterapkan pada aplikasi orange. Tahapan pada pengolahan data ini menyiapkan data nilai siswa kemudian melakukan prepossessing data untuk menghilangkan outlier-nya dan menormalisasikan data menggunakan tools data mining orange akademik siswa TBSM kelas XII dengan metode K-means dan K-NN dari hasil clustering dapat mengetahui tingkat pegelompokan prestasi siswa dan siswi Smkn 3 Karawang pada tahapan selanjutnya menggunakan metode K-NN untuk memprediksi hasil yang lebih baik, dengan metode perhitungan K-NN ini menggunakan dataset K-Means sehingga didapat nilai akurasi yang baik dengan nilai AUC 1.000, Nilai CA 1.000, Nilai F1 1.000, Nilai Precision 1.000 dan Recall 1.000 . Nilai akurasi ini selaku nilai terbaikmenggunakan tata cara lain buat membandingan hasil keakuratan perhitungan.]]>
<![CDATA[Komparasi Metode Klasifikasi Data Mining Algoritma C4.5 Dan Naïve Bayes Untuk Pemilihan Penggunaan Jenis KB Di Bidan Swasta H.Enok Hayati ]]>
<![CDATA[Novia Cahya Utami]]>;
<![CDATA[April lia Hananto]]>;
<![CDATA[Tukino Tukino]]>;
<![CDATA[Shofa Shofiah Hilabi]]>
<![CDATA[ Innovative: Journal Of Social Science Research Vol. 3 No. 1 (2023): Innovative: Journal Of Social Science Research ]]>
Publisher : <![CDATA[Universitas Pahlawan Tuanku Tambusai ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.31004/innovative.v3i1.3516
<![CDATA[Jumlah penduduk yang semakin banyak mengharuskan pemerintah untuk mengurangi ledakan penduduk, salah satunya dengan program Keluarga Berencana(KB). Dalam program keluarga Berencana sering terjadi kesalahan dalam memilih alat kontrasepsi. Penggunaan kontrasepsi merupakan hal yang penting, mengingat dapat menurunkan laju pertumbuhan. Penggunaan jenis KB yang tepat untuk para wanita merupakan permasalahan klasifikasi. Dalam penelitian ini diambil data mengenai klasifikasi penggunaan kontrasepsi di bidan swasta H Enok Hayati yang melayani beberapa jenis KB yaitu seperti KB suntik , KB pil , IUD (Intrauterine Device) dan Implan. Penelitian ini menggunakan metode klasifikasi data mining Algoritma C4.5 dan Naïve Bayes kemudian dilakukan perbandingan kedua metode. Pengolahan dua metode tersebut menggunakan confusion matrix dan kappa. Hasil penelitian ini menghasilkan akurasi algoritma C4.5 sebesar 89.55% dan kappa 0.851 sedangkan tingkat akurasi Naïve Bayes sebesar 34.85% dan kappa 0.016. Sehingga algoritma C4.5 merupakan metode yang lebih baik dalam pengklasifikasian data akseptor KB pada Bidan Swasta HJ Enok Hatiyah dibandingkan dengan metode algoritma Naïve Bayes"]]>
<![CDATA[Pemilihan Platform Film Streaming Menggunakan Metode SMARTER dan MOORA: Selection of Streaming Film Platforms Using the SMARTER Method and the MOORA ]]>
<![CDATA[Arini Saputri]]>;
<![CDATA[Shofa Shofiah Hilabi]]>;
<![CDATA[Fitria Nurapriani]]>;
<![CDATA[Baenil Huda]]>
<![CDATA[ MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 4 No. 2 (2024): MALCOM April 2024 ]]>
Publisher : <![CDATA[Institut Riset dan Publikasi Indonesia ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.57152/malcom.v4i2.1325
<![CDATA[Sektor industri perfilman telah menjadi aspek tontonan wajib dalam masyarakat, saat ini film menjadi suatu hiburan yang populer di Indonesia. Kemajuan teknologi dan digitalisasi memfasilitasi akses mudah menonton film, masa transisi dari penggunaan DVD/VCD ke Blu-Ray sebagai media untuk menikmati film yang mendapatkan daya tarik pada masanya. Perkembangan internet dan platform online yang semakin pesat telah mengubah industri dunia perfilman, banyak sekali bermunculan berbagai layanan streaming yang menawarkan kemudahan untuk menonton film kapan saja dan dimana saja. Maraknya kemudahan menonton film streaming dengan tersedianya berbagai platform film masih banyak terdapat perbedaan beberapa aspek baik tampilan maupun layanan yang ditawarkan, sehingga penelitian ini memberikan wawasan dan rekomendasi mengenai opsi streaming yang baik. Dalam penelitian ini menggunakan metode MOORA dan SMARTER Kedua metodologi menghasilkan hasil yang sebanding pada nilai tertinggi yaitu Netflik sebagai platform film streaming paling aman dengan skor 0,421 pada metode SMARTER dan 0,582 pada metode MOORA , dan mengalami selisih perbedaan yang tidak terlalu signifikah terkait peroleh nilai tertinggi kedua, Dimana pada metode SMARTER di peroleh oleh Disney Hotstar dengan nilai 0,377sedangkan pada metode MOORA nilai tertinggi kedua di peroleh oleh Iflix dengan nilai0,297sehingga kedua metode ini sangat ideal untuk digunakan.]]>
<![CDATA[Implementasi Algoritma K-Nearest Neighbor untuk Prediksi Penjualan Alat Kesehatan pada Media Alkes: Implementation of the K-Nearest Neighbor Algorithm to Predict Sales of Medical Devices in Medical Devices ]]>
<![CDATA[Uktupi Nijunnihayah]]>;
<![CDATA[Shofa Shofiah Hilabi]]>;
<![CDATA[Fitria Nurapriani]]>;
<![CDATA[Elfina Novalia]]>
<![CDATA[ MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 4 No. 2 (2024): MALCOM April 2024 ]]>
Publisher : <![CDATA[Institut Riset dan Publikasi Indonesia ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.57152/malcom.v4i2.1326
<![CDATA[Media Alkes Perusahaan ini bergerak dalam bidang industri Alat Kesehatan. Perusahaan ini menyediakan berbagai produk seperti jarum kursi roda, alat infus, alat monitor tekanan darah, dan lain-lain. Media Alkes juga aktif menerapkan strategi bisnis untuk memenuhi kebutuhan pelanggan. Namun sering terjadi kekurangan stok dan barang menumpuk di dalam perusahaan ini. Peneliti telah mengelola dan menganalisis data penjualan yang ada untuk memahami kebutuhan pelanggan terhadap Alat Kesehatan. Dalam menghadapi tantangan tersebut, peneliti mengusulkan algoritma K-Nearest Neighbor untuk memprediksi penjualan Alat Kesehatan di Media Alat Kesehatan. Informasi mengenai jumlah penjualan Alat Kesehatan dengan kriteria Sangat laris, Cukup laris dan Kurang laris dapat dilihat melalui data penjualan tahun 2020 hingga tahun 2022 pada Media Laporan Penjualan Alat Kesehatan. Penelitian dilakukan dengan menerapkan metode K-Nearest Neighbor (KNN) baik dengan perhitungan secara manual maupun menggunakan sistem RapidMiner. Hasil dari prediksi yang menggunakan sistem RapidMiner menunjukkan tingkat akurasi sebesar 95,00% dari data yang disebut penjualan. Dengan hasil prediksi yang didapat yang Sangat bagus tersebut, metode ini dapat dijadikan sebagai acuan dalam merencanakan penjualan di masa depan. Dengan menerapkan prediksi ini, perusahaan dapat mengelola stok barang dengan secara efisien dan menghindari kehabisan stok serta memuat barang yang tidak diinginkan.]]>
<![CDATA[Application of the K-Nearest Neighbor Method to Predict Demand for Goods from Customers at PT Sinergi Prima Enjineering ]]>
<![CDATA[Rahmah Nur Angraeni]]>;
<![CDATA[Bayu Priyatna]]>;
<![CDATA[Agustia Hananto]]>;
<![CDATA[Shofa Shofiah Hilabi]]>
<![CDATA[ Bahasa Indonesia Vol 16 No 02 (2024): Instal : Jurnal Komputer ]]>
Publisher : <![CDATA[Cattleya Darmaya Fortuna ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.54209/jurnalinstall.v16i02.200
<![CDATA[PT Sinergi Prima Enjineering, which is engaged in services, has been trusted as a contractor in several companies facing challenges in handling the large number of requests for goods and stock inventory management. This research aims to improve the prediction of demand for goods and inventory management using the calculation of the K-Nearest Neighbor (KNN) method and RapidMiner tools. With the comparison of calculations between KNN and RapidMiner using ten test data, the results are appropriate where the categorical grouping is often ordered totaling five data, moderately ordered totaling two data and rarely ordered totaling three data. The test results show that K = 3 produces a prediction accuracy of 91.98%. These results show that K-Nearest Neighbor can accurately anticipate future stock inventory and items that will be ordered by customers and it is hoped that the company can improve customer satisfaction and overall operational performance.]]>
<![CDATA[Optimasi Tata Kelola Kota Cerdas melalui IOT: Studi Kasus Penggunaan Aplikasi Disdukcapil dalam Pengelolaan Data Warga Kependudukan ]]>
<![CDATA[Shofa Shofiah Hilabi]]>;
<![CDATA[Andrianto Tri Saputra]]>;
<![CDATA[Wahid Maulana Fathurrohman]]>;
<![CDATA[Moethiara Chinta Andjanie]]>;
<![CDATA[Assyifa Salsabila]]>;
<![CDATA[Choirul Anwar]]>
<![CDATA[ Explore: Jurnal Sistem Informasi dan Telematika (Telekomunikasi, Multimedia dan Informatika) Vol 15, No 1 (2024): Juni ]]>
Publisher : <![CDATA[Universitas Bandar Lampung (UBL) ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.36448/jsit.v15i1.3515
<![CDATA[Internet of Things (IoT) merupakan sebuah konsep yang mengacu pada jaringan objek fisik yang terhubung ke internet dan dapat saling bertukar data tanpa perlu campur tangan manusia. Internet of Think (IoT) bertujuan untuk untuk kasus penggunaan industri untuk meningkatkan proses, menciptakan aliran pendapatan yang baru mengurangi biaya dan meningkatkan keamanan dengan menganalisis data dari perlengkapan, Seiring perkembangan zaman yang dimana sudah menggunakan teknologi untuk berbagai aktivitas agar mempermudah kita semua, Penerapan aplikasi pembutan catatan kependudukan sipil secara online adalah menguranginya antrean dalam pembuatan catatan sipil warga yang dilakukan secara langsung ke kantor capil, e-dukcapil adalah aplikasi kependudukan berbasis website untuk mempermudah masyarakat dalam pembuatan dan penerbitan dokumen administrasi kependudukan. Metode yang digunakan dalam konteks riset “Optomasi Tata Kelola Kota Cerdas Melalui IoT” adalah studi literatur Metode ini melibatkan pencarian dan analisis dari berbagai sumber dan situs-situs di internet sipil agar mudah di pahami dan mudah dimengerti oleh pengguna e-dukcapil, aplikasi ini dapat di akses melalui https://edukcapil.karawangkab.go.id.]]>
